基于数学形态谱的水泵振动识别研究.pdfVIP

第45 卷 第14 期 人 民 长 江 Vol.45,No.14 2 0 1 4 年 7 月 Yangtze River July, 2014 文章编号:1001-4179(2014)14-0093-04 基于数学形态谱的水泵振动识别研究 梁 兴 (南昌工程学院机械与电气工程学院,江西 南昌330099) 摘要:针对实测水泵振动信号夹杂噪声等现象,利用多尺度数学形态谱及形态谱熵理论,对不同转速下的水泵 振动实测信号进行分析,提取相应的特征形状和特征量,进行振动故障识别,并验证了该方法的可行性与准确 性。 研究表明,随着转速的逐步增加,存在着不对中和不平衡故障的水泵机组,其振动特性可以划分为正常运 行、周期性碰摩运行及混沌运行3类;当水泵振动类型相同时,随着转速的变化,相应的数学形态谱及形态谱 熵分析结果几乎不变;采用数学形态谱及形态谱熵理论能够对夹杂大量噪声的故障测试信号进行分析处理, 且故障信号识别成功率较高,其中形态谱识别成功率高于形态谱熵,能较好地达到故障识别的目的,也充分证 明了该方法的抗干扰性。 关 键 词:水泵振动识别;故障诊断;数学形态谱;形态谱熵 中图法分类号:TK731 文献标志码:A 水泵振动信号识别与分析一直是故障诊断研究的 力差、应用不广泛且计算复杂,难以满足水泵振动识别 热点,但是由于水泵运行涉及因素较多,实测振动信号 和故障诊断可靠性的要求。 为此,本文引入多尺度数 含有大量的噪声,不仅不利于信号分析处理,也将直接 学形态谱理论,将信号处理与故障诊断融合在一起,通 影响故障诊断结果的准确性[1-3]。 常见的水力机械诊 过提取并对比信号的形态谱和形态谱熵,达到信号分 [4] 类与识别的目的,为信号处理和水泵故障诊断提供了 断方法较多,比如范春生等 采用FFT等方法对水电 机组异常振动信号进行了分析,提取了相应信号特征, 一种新方法。 [5] 奠定了故障诊断的基础;刘红梅等 利用小波包和 1 多尺度数学形态谱及形态谱熵理论 Elman神经网络对水泵振动信号进行了识别分析,实 [6] 数学形态谱是一种融合积分几何、随机集论、泛函 现了故障分类;张飞等 利用 BP 神经网络算法分析 水电机组振动特性,进而预测其振动趋势;熊朝坤 分析等多学科知识的交叉科学,它利用多尺度/ 单尺度 [7] 的结构元素逐步测量被检信号,进而提取特征量,达到 等 将模糊神经网络理论应用于水电机组,建立了全 新的故障诊断模型,提高了水电机组故障诊断的准确 信号分析处理的目的。 由于其数学理论较完备,且在 [8] 信号处理过程中能够较好地保留信号的原始信息,现 性;吴丹等 基于支持向量机方法进行液压泵故障诊 断,并对支持向量机诊断方法进行了优化。 已被广泛地应用于医学图像处理、计算机文字识别和 但是,上述方法或是侧重于提取特征向量,或是针 工业监测等诸多领域内[9-10]。 对已有特征向量进行故障诊断或预测,机组振动分析 数学形态谱的计算结果与结构元素的形状和尺度 及诊断研究的全面性不足;且上述智能算法理论尚不 大小密切相关。 一般而言,结构元素的形状越接近于 完善,其参数选择存在一定的随机性,直接影响到诊断 目标函数本身,处